结合机器学习算法提高从头算方法对HF/HBr/H^(35)Cl/Na^(35)Cl振动能谱的预测性能

摘要

高精度振动能谱蕴含着分子体系的大量量子特征,是人们认识和操控分子的重要基础数据.目前,从头算方法在计算分子的振动能谱方面取得了大量成果,但是仍然面临着精度和计算量上的挑战.本文提出了一种综合从头算方法与机器学习算法进行能谱预测的新方法,在提高振动能级精度的同时大幅降低了计算量.针对HF、HBr、H^(35)Cl和Na^(35)Cl等卤素分子的研究结果表明,相较于单独的CCSD(T)/cc-pV5Z计算方法,新方法将误差减少了50%以上,同时将计算量降低了一个数量级.